用于矿物勘探的卷积神经网络：基于遥感数据的蚀变映射
计算机视觉与模式识别
2025-02-27 v1 机器学习
图像与视频处理
摘要
传统地质测绘基于野外观察和岩石样本分析，对于蚀变带等特征的连续空间测绘效率低下。深度学习模型，如卷积神经网络（CNN），通过自动提取特征用于分类和回归任务，彻底改变了遥感数据分析。CNN能够通过识别遥感数据中的细微特征来检测与矿化相关的特定矿物学变化。本研究使用CNN结合Landsat 8、Landsat 9和ASTER数据，对澳大利亚新南威尔士州Broken Hill以北的蚀变带进行测绘。模型使用真实数据和基于选择性主成分分析（PCA）的自动化方法进行训练。我们将CNN与传统的机器学习模型进行了比较，包括k近邻、支持向量机和多层感知器。结果表明，基于真实数据的训练产生了更可靠的地图，CNN在捕捉空间模式方面略微优于传统模型。在基于真实数据训练的CNN中，Landsat 9在使用地面真实数据绘制氧化铁区域方面优于Landsat 8，而ASTER数据提供了最精确的粘土化和铁白云石化蚀变地图。这凸显了CNN在提高地质测绘精度方面的有效性，特别是在识别与矿化相关的细微蚀变方面。
引用
@article{arxiv.2502.18533,
title = {Convolutional neural networks for mineral prospecting through alteration mapping with remote sensing data},
author = {Ehsan Farahbakhsh and Dakshi Goel and Dhiraj Pimparkar and R. Dietmar Muller and Rohitash Chandra},
journal= {arXiv preprint arXiv:2502.18533},
year = {2025}
}